5 Pilar Transformasi Data - Dijelaskan dengan Sederhana

AI seharusnya membersihkan tumpukan pekerjaan, mempercepat pengambilan keputusan, dan memberi setiap tim cara kerja yang lebih cerdas. Namun kenyataannya, banyak organisasi kini memiliki Microsoft Copilot, Power BI, Microsoft Fabric, agen AI, dan data yang lebih banyak dari sebelumnya—sementara keputusan penting tetap tersendat dalam rapat karena tidak ada yang sepenuhnya memercayai angka-angkanya atau tahu siapa yang berhak bertindak. Belanja teknologi terus naik. Tindakan tidak. Masalahnya sering bukan kekurangan AI. Masalahnya adalah tidak adanya model operasi yang menghubungkan data, makna, tata kelola, teknologi, orang, dan akuntabilitas. Dalam episode ini dari M365 FM – Simply Explained, kami menguraikan lima pilar yang perlu dibangun organisasi untuk membentuk fondasi yang andal bagi transformasi data dan AI.

APA YANG AKAN ANDA PELAJARI
Dalam episode ini, kami membahas:

• Mengapa AI tidak dapat mengimbangi data yang tidak andal
• Bagaimana tata kelola data membangun kepercayaan sebelum otomatisasi dimulai
• Mengapa kualitas data seharusnya bergantung pada keputusan yang diambil
• Bagaimana Microsoft Purview dapat mendukung tata kelola dan penemuan data
• Bagaimana Microsoft Fabric mendukung analitik dan platform data modern
• Mengapa semantic model penting bagi Power BI dan AI
• Bagaimana definisi yang saling bertentangan menghasilkan dashboard yang saling bertentangan
• Mengapa glosarium bisnis penting bagi manusia maupun agen AI
• Bagaimana kepemilikan data memengaruhi kesiapan AI
• Mengapa akses, keamanan, dan izin harus ditetapkan sebelum AI diskalakan
• Bagaimana Copilot dan agen AI bergantung pada konteks bisnis yang tepercaya
• Mengapa akuntabilitas manusia tetap krusial meskipun AI yang menghasilkan jawabannya

PILAR 1: TATA KELOLA DATA – KEPERCAYAAN SEBELUM OTOMATISASI
Tata kelola data sering terdengar seperti kebijakan, rapat kepatuhan, dokumentasi, dan birokrasi. Dalam praktiknya, tata kelola menjawab beberapa pertanyaan sederhana:

• Siapa pemilik data ini?
• Siapa yang diizinkan mengaksesnya?
• Dari mana data ini berasal?
• Apakah kita dapat memercayainya untuk kasus penggunaan tertentu ini?
• Apa yang boleh dilakukan orang dengan data ini?
• Apa yang boleh dilakukan sistem AI dengan data ini?

Tanpa jawaban yang jelas, AI tidak menyelesaikan masalah data. Ia justru dapat menyebarkan masalah itu lebih cepat. Bayangkan tim kepemimpinan sedang menyiapkan prakiraan penjualan. Tim penjualan menyajikan satu angka pendapatan. Tim keuangan menyajikan angka lain. Keduanya berasal dari sistem yang tampak otoritatif. Rapat tiba-tiba berhenti membahas keputusan masa depan. Sebaliknya, semua orang mulai berdebat tentang spreadsheet atau dashboard mana yang benar. Akar masalahnya mungkin:

• CRM berisi satu versi pendapatan
• Sistem keuangan berisi versi lain
• Ekspor manual menambah perbedaan lagi
• Tidak ada yang memiliki definisi pendapatan
• Tidak ada yang bertanggung jawab atas kualitas data sumber
• Tidak ada yang dapat menjelaskan angka mana yang seharusnya menjadi dasar prakiraan

Perusahaan akhirnya memperdebatkan masa lalu alih-alih memutuskan masa depan.

APA YANG TERJADI KETIKA AI MASUK?
Sekarang bayangkan seseorang bertanya kepada agen AI: "Wilayah penjualan mana yang tertinggal?" Jawabannya mungkin muncul dalam hitungan detik. Namun jawaban itu bisa didasarkan pada:

• Catatan pelanggan yang duplikat
• Penugasan akun yang sudah usang
• Peluang yang hilang
• Tahap prakiraan yang salah
• Data lama
• Izin yang keliru
• Informasi yang seharusnya tidak dapat diakses pengguna

Jawabannya bisa terdengar sangat yakin. Itu tidak otomatis membuatnya tepercaya. Tata kelola menciptakan kesepakatan kerja di sekitar data sebelum otomatisasi mulai menggunakannya. Model tata kelola yang kuat biasanya menetapkan:

• Pemilik data yang jelas
• Tanggung jawab yang terdefinisi
• Klasifikasi data
• Aturan akses
• Dokumentasi sistem sumber
• Ekspektasi kualitas data
• Kemampuan audit
• Kebijakan untuk informasi sensitif
• Aturan untuk AI dan otomatisasi

Teknologi Microsoft dapat mendukung proses ini. Microsoft Purview dapat membantu organisasi menemukan, mengklasifikasikan, memahami, dan mengelola informasi. Microsoft Fabric dapat membantu menyatukan data, mempersiapkannya, menganalisisnya, memantaunya, dan menyediakannya untuk pelaporan serta skenario AI. Namun teknologi tidak dapat memutuskan segalanya. Organisasi tetap membutuhkan manusia untuk memutuskan:

• Siapa yang memiliki data pelanggan
• Definisi mana yang otoritatif
• Kualitas data seperti apa yang dapat diterima
• Siapa yang seharusnya memiliki akses
• Kapan jawaban yang dihasilkan AI aman untuk digunakan
• Siapa yang tetap bertanggung jawab atas keputusan akhir

KUALITAS DATA HARUS SESUAI DENGAN KEPUTUSAN
Banyak organisasi mendekati kualitas data seolah-olah setiap bidang di setiap sistem harus sempurna. Hal itu jarang realistis. Kualitas data seharusnya dievaluasi berdasarkan keputusan bisnis yang diambil. Untuk prakiraan penjualan, bidang yang paling penting mungkin meliputi:

• Tahap peluang
• Tanggal penutupan yang diharapkan
• Jumlah prakiraan
• Pemilik akun
• Wilayah
• Probabilitas
• Status pelanggan

Bidang lain mungkin kurang penting untuk keputusan spesifik tersebut. Pertanyaan yang lebih baik karena itu bukan: "Bagaimana kita membersihkan semua data kita?" Pertanyaan yang lebih baik adalah: "Data mana yang harus kita percayai untuk keputusan ini?" Dengan begitu, masalahnya menjadi lebih kecil, lebih terukur, dan jauh lebih mudah dikelola.

Jadilah pendukung podcast ini: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.